针对工业应用的嵌入式机器学习

在过去几年当中，有无数关于人工智能（AI）和机器学习（ML）会如何改变我们生活的预测。所有这一切都会给业界带来一定价值，到2024年，全球AI市场预计将增长到数量惊人的5,540亿美元。

制造业和工业领域也不例外，人工智能/机器学习正成为工业数字化转型的关键因素。工厂中的计算机远非一个新的趋势，它包括几乎无处不在的可编程逻辑控制器（PLC）和SCADA等完善的协议。但是，工业物联网（IIoT）意味着我们当今在生产线上已有多种传感器，可以生成越来越多的数据。AI和ML提供了一种利用所有这些信息的方法，以提高效率和改进生产，从而帮助我们迈向工业4.0。

暂且不谈这些热度，现在我们回归正题。工程师如何才能实际应用AI / ML来获得真正的，可衡量的收益？该技术是否已经足够成熟，足以证明可以推出用于工厂车间，还是尚处于初期阶段？

让我们首先阐明一个关键点：ML与AI不同。尽管定义两者各不相同，但已经达成共识，即AI广义泛指使计算机思考的多种方法。另一方面，与人为设计程序或解决方案的所有方面相反，可以将ML更狭义地定义为使计算机能够通过处理数据自动学习并从中进行改进。在ML中，我们构造多种算法，然后系统可以进行预测，并通过查看预测的准确性来达到机器学习。

在工业领域，机器学习正在所有领域中得到应用，从预防性维护到优化过程效率，再到虽然简单但却至关重要的任务，例如管理何时订购替换零部件和消耗品等。机床可以具有多个温度和振动传感器，ML系统可以利用来自这些传感器的数据学习何时零件已显示出磨损或无法调整，并且可能很快就会发生故障。这可以通过在现有设备上添加传感器或使用新的机床来实现，而新机床在制造时应包括适当的传感器。

如今哪些领域使用ML？

我们可以更详细地研究其中一些应用，并查看ML当前在工业自动化中的应用。

如今典型ML用例包括：

●机器视觉：例如，机器视觉用于检查和质量控制，可以训练机器学习系统来识别问题，这可能包括传送带上丢失物体一样简单的应用。

●决策：使用数据进行自动、快速地实时做出最佳操作，从而提高效率并减少人为错误范围。

●预测性维护：使用传感器数据来发现即将出现的问题，可以最大程度地减少停机时间和相关成本。

●帮助提高安全性：识别可能引起风险的任何事件并采取相应的措施，包括从关闭机器到避免机器人、车辆或人彼此之间的碰撞等层面，。

实际上，并非每个系统都适合应用ML，而是存在许多限制，例如哪些数据可以收集以及如何处理这些数据，或者添加传感器、处理能力、电源和联网的成本可能太高等等。延迟是另一个问题，主要是通过向远程计算资源或云端发送数据，或传输来自远程计算资源以及云端数据而引入的延迟。

将ML集成到自动化中的挑战

自动化供应商Beckhoff已经确定了将ML成功集成到自动化系统中必须满足的五个基本要求。这些提供了一个非常有用的出发点：

●开放式界面，确保互操作性

●ML解决方案简单易用，可轻松与现有软件集成，无需专家知识

●机器学习解决方案足够可靠、准确，可提供有价值结果

●强大的培训方法，可以处理带有噪声或不准确数据

●透明， ML系统易于理解

AI和ML项目在实践中实施可能具有很大挑战性，特别是对于在该领域没有经验的组织而言。根据Gartner的研究，“ AI项目通常由于可维护性、可伸缩性和管治问题而失败”，并且在概念验证与推出在产系统之间存在巨大差距。很容易造成项目在螺旋式上升时失控，出现不切实际的期望，无法与可扩展性能相匹配，并且缺乏可见性，从而使公司决策者无法发现真正的问题。

同样很重要的是要考虑实现ML系统的实用性，以及需要多少计算性能，这些并不总是显而易见。对于任何ML系统，初始训练过程的需求与部署后模型日常改进之间存在着差异。预生产阶段可能需要海量数据和大量计算，而这需要功能强大的PC或服务器。但是，在工厂中推出系统后，增量改进（通过所谓的“推理”而实现，根据新数据来调整模型）所需的性能要低得多。因此，它们非常适合采用嵌入式处理器。

与将数据发送到远程云端或中央服务器进行处理相比，在嵌入式系统或“边缘”PC中本地运行ML模型具有明显优势，它通常速度更快，延迟更小，并且降低了数据带宽要求，并有助于确保数据安全性和隐私性。

Gartner 提出了一个非常有价值的概念“赋权边缘”，用于描述如何组织实施计算资源和IoT传感器。简而言之，“边缘”是指数据源靠近数据处理的位置。就本文中“嵌入式”的含义而言，这可能一直到端点级别，传感器和执行器都可能配备ML功能。

图1：在计算机上运行的初始训练，而嵌入式处理器则在现场处理推论。（来源：Microchip）

ML：为什么、在哪里以及如何应用？

ML不一定是对所有人的答案，但是在许多应用中都会有明显好处。为什么要使用ML？它能够为许多公司提高效率、可扩展性和生产率，同时降低成本。虽然在道德和责任等方面存在一些问题，但是对于不直接与客户打交道的工业应用，这些问题很可受到良好控制。实际上，IDC认为“公司将会采用AI — 不仅是因为他们可以，而且是必须。”，这在竞争激烈的工业领域可能并不是夸大其词。

为了弄明白如何实现ML以及所需的组件，最好首先考虑“在哪里”的问题，即您的目标是在嵌入式系统中本地运行还是在云端远程运行所有功能？本地运行通常是最好选择，但需要仔细权衡取舍，包括成本、延迟、功耗、安全性和计算资源等层面的物理空间。

对于嵌入式ML系统，现在有许多供应商可为工业应用提供合适的处理器。下面我们看几个例子：

Maxim的MAX78000是专为AI和ML应用而设计的片上系统（SoC），它包括一个带有硬件加速器的Arm Cortex-M4内核，以执行推理，并提供高计算性能，同时保持较低功耗。Maxim可提供评估板和应用平台，帮助工程师快速入门并充分利用MAX78000。

另一个例子是Microchip的ML生态系统，其中包括EV18H79A SAMD21和EV45Y33A SAMD21评估套件。这些包括来自TDK和Bosch的传感器，采用了Microchip基于SAMD21G18 Arm Cortex-M0+的32位微控制器（MCU）。

另一个选择是恩智浦（NXP）的i.MX RT1060交叉型MCU，它基于Arm Cortex-M7 MP内核平台，具备恩智浦软件和工具的完全支持，可提供很高的CPU性能和广泛接口。

图2：Maxim MAX7800评估套件包括MAX78000 SoC，以及彩色触摸屏、麦克风和陀螺仪/加速度计。（来源：Maxim Integrated）

结论

显然，机器学习可以成为工业应用中的赋能技术，并且可以通过提高效率、可扩展性和生产率，以及降低成本来改善制造和其他流程。

实施ML解决方案可能很复杂，并且确实需要考虑多种折衷。一个关键的决定是计算资源应该布置在边缘还是嵌入在系统中，还是应该位于云端或处在单独服务器中。

业界已经有越来越多高性能嵌入式处理器可以在工业应用中实施ML，借助于来自Maxim、Microchip和NXP等主要供应商的软件和开发工具生态系统支持。这意味着在生产系统端点嵌入合适处理器，进而靠近您的数据源，可能是从ML实现中获得最大收益的实用方法。

作者：贸泽电子 Mark Patrick

责编：Amy Guan